CN115177864A - 基于肌肉激活度与lstm的功能性电刺激闭环调控方法 - Google Patents
基于肌肉激活度与lstm的功能性电刺激闭环调控方法 Download PDFInfo
- Publication number
- CN115177864A CN115177864A CN202210857951.5A CN202210857951A CN115177864A CN 115177864 A CN115177864 A CN 115177864A CN 202210857951 A CN202210857951 A CN 202210857951A CN 115177864 A CN115177864 A CN 115177864A
- Authority
- CN
- China
- Prior art keywords
- electrical stimulation
- muscle
- functional electrical
- muscle activation
- lstm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N1/00—Electrotherapy; Circuits therefor
- A61N1/18—Applying electric currents by contact electrodes
- A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
- A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
- A61N1/36003—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation of motor muscles, e.g. for walking assistance
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/389—Electromyography [EMG]
- A61B5/395—Details of stimulation, e.g. nerve stimulation to elicit EMG response
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N1/00—Electrotherapy; Circuits therefor
- A61N1/18—Applying electric currents by contact electrodes
- A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
- A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
- A61N1/36014—External stimulators, e.g. with patch electrodes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N1/00—Electrotherapy; Circuits therefor
- A61N1/18—Applying electric currents by contact electrodes
- A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
- A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
- A61N1/36014—External stimulators, e.g. with patch electrodes
- A61N1/3603—Control systems
- A61N1/36031—Control systems using physiological parameters for adjustment
Abstract
本发明公开了一种结合肌肉激活度与深度学习的功能性电刺激闭环调控方法,将肌肉激活度分析和深度学习中的LSTM模型结合起来,设计开发了基于肌肉激活度与LSTM的功能性电刺激闭环调控方法,该方法可以根据对肌电信号实时分析得出肌肉状态并自动学习合适功能性电刺激参数,使得患者在健康侧握拳动作时可以根据肌肉激活度变化自动调整功能性电刺激参数,使功能性电刺激下的患侧与健康侧握力大小趋于一致;并且LSTM模型会随着输入数据集的增多不断学习优化输出的电刺激参数,解决了功能性电刺激临床治疗上不能根据用户肌肉状态实时调整自身参数、参数调整完全凭借经验、患者参与度不高和不能主动康复的问题。
Description
技术领域
本发明涉及一种基于肌肉激活度分析与LSTM的功能性电刺激调控方法,尤其是,属于生物医学工程技术及深度学习领域。
背景技术
根据最新的中国疾病负担研究数据显示,我国脑卒中患者超过两百万,发病率为世界第一。脑卒中患者因大脑神经组织受到损伤造成不同程度的运动功能丧失,需面临长期的肌肉和神经运动功能康复训练。功能性电刺激由于在对于肌肉运动功能恢复及促进神经通路修复的方面存在优势,在脑卒中康复中得到了普遍应用。
功能性电刺激(Functional electrical stimulation,FES)是利用一定强度的低频电流刺激人体一组或多组肌肉,通过诱发肌肉收缩来模拟人体正常运动,来达到改善和恢复被刺激肌肉功能的目的。功能性电刺激技术的发展最早可以追溯到20世纪60年代,Liberson利用脚踏开关控制电流刺激患者腓神经支配的肌肉,使其产生踝关节背屈,成功矫正了足下垂患者的行走时的步态问题。
肌肉激活度是指人体在运动时参与运动的肌肉激活程度大小,利用表面肌电信号计算肌肉激活度可以推出肌力大小,可以用于神经肌肉的控制。
伴随着人工智能的迅速发展,深度学习方法已经被广泛用于图像识别、机器人控制、自然语言处理和生物工程领域等。长短期记忆人工神经网络(Long Short-TermMemory,LSTM)是深度学习中一种独特的循环神经网络(Recurrent Neural Networks,RNN)。原先的RNN网络在模型训练过程中,随着训练时间的延长和网络层数增多,会出现梯度爆炸和梯度消失的问题,导致无法处理长时间序列数据,LSTM的出现解决了RNN网络存在的问题。LSTM模型擅长处理时间序列数据,具有强大的长期学习能力,可以随着输入数据的集增多而不断的学习优化输出,并且还可以通过学习来进行预测输出。LSTM模型相比于RNN模型增加了三个控制门:输入门(Input Gate),输出门(Output Gate)和记忆门(ForgetGate)。控制门的结构主要由一个sigmoid函数,sigmoid函数的值为0-1之间,点乘操作决定多少信息可以传送过去,当为0时,不传送,当为1时,全部传送。以下为三个控制门的模型:
记忆门:ft=σ(wf[ht-1,xt]+bf)
输出门:ot=σ(wo[ht-1,xt]+bo),ht=ot*tanh(ct)
式中σ为sigmoid函数,W,b为模型要学习的参数矩阵,h为输入数据矩阵,h为输出数据矩阵,tanh为输出激活函数。
目前,功能性电刺激主要用于治疗神经和肌肉功能受损,通过不断的刺激来促进运动神经通路的修复,达到恢复自主运动功能的目的。现已广泛应用于脑卒中、脊髓损伤、多发性硬化等疾病的运动康复中。然而在临床中也存在一些亟待解决的问题,临床中电流参数都是预设好的模式,医护人员只能根据自己的经验调整电流幅值大小,电流参数调整种类单一。这种开环控制方式,在治疗过程中也不能很好的根据患者的肌肉状态的变化来进行参数调整,患者的参与度不高,并且需要医护人员全程参与,这也加重了医护人员短缺的问题。为解决开环功能性电刺激控制方式中不能根据患者肌肉状态变化实时调整参数、刺激参数单一,患者参与度不高的问题,本发明提出了一种基于肌肉激活度与LSTM的功能性电刺激闭环调控方法,该方法可以根据患者肌肉激活度的变化实时调整功能性电刺激参数,并且可以同时调整电流中的幅值、脉宽和频率三个参数,可以有效解决开环功能性电刺激控制方法中的不足。
发明内容
本发明针对现有技术中开环功能性电刺激控制方式中不能根据用户肌肉状态实时调整参数、参数调整完全凭借经验以及患者参与度不高的问题,提出了将肌肉激活度与深度学习算法结合起来用于功能性电刺激参数的闭环调整,设计开发了一种基于肌肉激活度与LSTM的功能性电刺激闭环调控方法。
为解决上述技术问题,本发明所采用的技术方案是:
基于肌肉激活度与LSTM的功能性电刺激闭环调控方法,具体包括如下步骤:
步骤1、获取数据集:使用肌电采集设备分别采集患者患侧静息状态下、最大自主握力和功能性电刺激条件下的以5%最大自主握力为间隔的表面肌电信号;
步骤2、数据预处理:在功能性电刺激条件下的原始肌电信号已被干扰,所以首先利用模板相减法滤除电刺激伪迹,然后进行50HZ陷波去除工频干扰和全波整流;
步骤3:获取肌肉激活度:
采用的肌肉激活算法包括神经激活模型和肌肉激活模型两部分;
神经激活模型方程如下:
uj(t)=αej(t-d)-β1uj(t-1)-β2uj(t-2),
式中e(t):归一化的肌电信号,d:电极的时间延迟,β1β2:递归系数;
肌肉激活模型:
式中A范围为[-3,0],当A=0时,代表线性关系;
对预处理后的肌电数据进行归一化,以最大自主收缩力时的肌电信号为100%激活度的信号,将归一化的数据e(t)输入到神经激活模型,电极延迟取10ms,得到神经激活强度u(t),并将其输入到肌肉激活度模型,得出肌肉激活度α;其中,A取-2;
步骤4、LSTM模型训练:将步骤3得到的肌肉激活度α和对应电刺激参数,以肌肉激活度α为特征,以电刺激参数为标签输入到LSTM模型之中,LSTM模型的激活函数为tanh函数,隐藏层数为2层,每一层的网络节点舍弃率为0.2,误差的计算方式为均方误差,以RMSprop算法确定权重参数的迭代更新方式;训练好的LSTM模型根据输入的肌肉激活度自动输出功能性电刺激的参数,并且LSTM模型具有强大的学习能力,随着输入数据集的增多不断的学习优化功能性电刺激的参数;
步骤5、功能性电刺激闭环控制:利用训练好的模型,采集健康侧肌电信号集信号输入到数据处理模块即可得出功能性电刺激的参数,并且根据健康侧的握力大小自动实时调整电刺激参数使患侧跟踪健康侧握力,实现闭环调控。
本发明技术方案的进一步改进在于:所述步骤1中采集的为患者患侧的指伸肌、尺侧腕伸肌、指浅屈肌和尺侧腕屈肌的表面肌电信号。
本发明技术方案的进一步改进在于:所述步骤1中功能性电刺激条件下的表面肌电信号是指改变功能性电刺激电流的频率、脉宽、幅值三个参数来获取不同参数下的表面肌电信号,其中,脉宽为100us和200us两种;频率为0-100HZ,调整间隔为1HZ;幅值为0-100mA,调整间隔为1mA。
本发明技术方案的进一步改进在于:所述功能性电刺激闭环控制的具体操作为:完成步骤4的LSTM模型训练后,将肌电电极粘贴至右臂对应肌肉处,左臂对应肌肉处的电刺激电极位置不变,患者在健康侧握拳时,肌电采集设备将采集的表面肌电信号,通过步骤2的预处理操作,检测出肌肉活动段并将活动段的肌电信号输入到步骤3中的肌肉激活度模型中,得出肌肉激活度,将肌肉激活度输入到训练好的LSTM模型中,LSTM模型根据输入的肌肉激活度特征输出电刺激电流中的频率、幅值和脉宽三个参数参数,功能性电刺激仪接收到参数释放电流刺激患侧肌肉使患侧手握拳,使双手握力大小趋于一致,实现功能性电刺激的闭环控制。
由于采用了上述技术方案,本发明取得的技术进步是:
本发明根据肌肉激活度可以实时解析肌肉状态的特点和LSTM模型可以实现预测回归的特点,提出了基于肌肉激活度分析与LSTM模型的功能性电刺激闭环调控方法,该方法以手部握力作为最终指标,通过实时采集患者健康侧手臂相对应肌肉的表面肌电信号,根据对肌电信号实时分析得出各个肌肉的激活度,将肌肉激活度输入到LSTM模型得出功能性电刺激参数。实现在功能性电刺激的电流刺激下引起患侧手臂肌肉收缩使手部握拳,此时手部产生的握力大小与健康侧未在电刺激条件下自主收缩产生的握力大小趋于一致,完成对功能性电刺激的闭环调控。并且利用LSMT模型强大的学习能力,可以根据输入数据集的增大不断的学习优化功能性电刺激参数,解决了目前临床上开环控制所面临的患者参与度不高、医护人员短缺的问题,同时也为功能性电刺激的参数调控提供了新思路,使针对不同用户具有个性化的刺激策略成为可能。
附图说明
图1是本发明的流程图;
图2是本发明系统原理框图;
图3是本发明的LSTM模型图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述。显然,所述的实施例是本发明部分实施例,而不是全部的实施例。基于发明中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
下面结合附图对本发明的一种基于肌肉激活度分析和LSTM的功能性电刺激闭环调控方法作进一步阐述。
如图1-3所示,本发明结合肌肉激活度和深度学习结合的功能性电刺激闭环调控方法的步骤是:
步骤1,获取数据集:肌电采集设备的采样频率为2000HZ,在实验开始前用酒精擦拭皮肤表面增加导电性,减少干扰,将肌电采集设备电极和功能性电刺激电极粘贴于患者患侧指伸肌、尺侧腕伸肌、指浅屈肌、尺侧腕屈肌之上。实验开始,首先采集用户20s静息时的表面肌电信号,随后采集用户的最大自主收缩握力时5s的表面肌电信号重复5次。功能性电刺激的脉宽为100us和200us两种,频率为0-100HZ,调整间隔为1HZ,幅值0-100mA,调整间隔为1mA,通过改变功能性电刺激电流的频率、脉宽、幅值三个参数实现握力以5%最大自主握力为间隔调整,每次握力值调整后保持5s,重复5次;
步骤2,数据预处理:在功能性电刺激的条件下的原始肌电信号已被干扰,所以首先利用模板相减法滤除电刺激伪迹,去除电刺激伪迹后进行50HZ陷波去除工频干扰和全波整流;
步骤3:获取肌肉激活度:对预处理后的肌电数据进行归一化,以最大自主收缩力时的肌电信号为100%激活度的信号。将归一化的数据e(t)输入到神经激活模型uj(t)=αej(t-d)-β1uj(t-1)-β2uj(t-2),电极延迟取10ms,得到神经激活强度u(t),并将其输入到肌肉激活度模型式中A取-2得出肌肉激活度α;
步骤4,LSTM模型训练:LSTM模型的激活函数为tanh函数,隐藏层数为2层,每一层的网络节点舍弃率为0.2,误差的计算方式为均方误差,以RMSprop算法确定权重参数的迭代更新方式,将步骤3得到的肌肉激活度α和对应电刺激电流的频率、幅值、脉宽三个参数,以肌肉激活度为特征,电刺激参数为标签输入到LSTM模型之中。训练好的LSTM模型可以根据输入的肌肉激活度自动输出功能性电刺激电流的幅值、频率和脉宽三个参数;
步骤5,功能性电刺激闭环控制:完成步骤4的LSTM模型训练后,将肌电电极粘贴至健康侧对应肌肉处,电刺激电极位置不变,患者在健康侧握拳时,肌电采集设备将采集的表面肌电信号,通过步骤2的预处理操作,检测出肌肉活动段并将活动段的肌电信号输入到步骤3中的肌肉激活度模型中,得出肌肉激活度,将肌肉激活度输入到训练好的LSTM模型中,LSTM模型根据输入的肌肉激活度特征输出电刺激电流中的频率、幅值和脉宽三个参数参数,功能性电刺激仪接收到参数释放电流刺激患侧肌肉使患侧手部握拳,将握力大小反馈给数据中心,使两手握力大小趋于一致,实现功能性电刺激的闭环控制。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明技术方案的精神和范围。
Claims (4)
1.基于肌肉激活度与LSTM的功能性电刺激闭环调控方法,其特征在于:
包括如下步骤:
步骤1、获取数据集:使用肌电采集设备分别采集患者患侧静息状态下、最大自主握力和功能性电刺激条件下的以5%最大自主握力为间隔的表面肌电信号;
步骤2、数据预处理:在功能性电刺激条件下的原始肌电信号已被干扰,所以首先利用模板相减法滤除电刺激伪迹,然后进行50HZ陷波去除工频干扰和全波整流;
步骤3:获取肌肉激活度:
采用的肌肉激活算法包括神经激活模型和肌肉激活模型两部分;
神经激活模型方程如下:
uj(t)=αej(t-d)-β1uj(t-1)-β2uj(t-2),
式中e(t):归一化的肌电信号,d:电极的时间延迟,β1β2:递归系数;
肌肉激活模型:
式中A范围为[-3,0],当A=0时,代表线性关系;
对预处理后的肌电数据进行归一化,以最大自主收缩力时的肌电信号为100%激活度的信号,将归一化的数据e(t)输入到神经激活模型,电极延迟取10ms,得到神经激活强度u(t),并将其输入到肌肉激活度模型,得出肌肉激活度α;其中,A取-2;
步骤4、LSTM模型训练:将步骤3得到的肌肉激活度α和对应电刺激参数,以肌肉激活度α为特征,以电刺激参数为标签输入到LSTM模型之中,LSTM模型的激活函数为tanh函数,隐藏层数为2层,每一层的网络节点舍弃率为0.2,误差的计算方式为均方误差,以RMSprop算法确定权重参数的迭代更新方式;训练好的LSTM模型根据输入的肌肉激活度自动输出功能性电刺激的参数,并且LSTM模型具有强大的学习能力,随着输入数据集的增多不断的学习优化功能性电刺激的参数;
步骤5、功能性电刺激闭环控制:利用训练好的模型,采集健康侧肌电信号集信号输入到数据处理模块即可得出功能性电刺激的参数,并且根据健康侧的握力大小自动实时调整电刺激参数使患侧跟踪健康侧握力,实现闭环调控。
2.根据权利要求1所述的基于肌肉激活度与LSTM的功能性电刺激闭环调控方法,其特征在于:所述步骤1中采集的为患者患侧的指伸肌、尺侧腕伸肌、指浅屈肌和尺侧腕屈肌的表面肌电信号。
3.根据权利要求1所述的基于肌肉激活度与LSTM的功能性电刺激闭环调控方法,其特征在于:所述步骤1中功能性电刺激条件下的表面肌电信号是指改变功能性电刺激电流的频率、脉宽、幅值三个参数来获取不同参数下的表面肌电信号,其中,脉宽为100us和200us两种;频率为0-100HZ,调整间隔为1HZ;幅值为0-100mA,调整间隔为1mA。
4.根据权利要求1所述的基于肌肉激活度与LSTM的功能性电刺激闭环调控方法,其特征在于:所述功能性电刺激闭环控制的具体操作为:完成步骤4的LSTM模型训练后,将肌电电极粘贴至右臂对应肌肉处,左臂对应肌肉处的电刺激电极位置不变,患者在健康侧握拳时,肌电采集设备将采集的表面肌电信号,通过步骤2的预处理操作,检测出肌肉活动段并将活动段的肌电信号输入到步骤3中的肌肉激活度模型中,得出肌肉激活度,将肌肉激活度输入到训练好的LSTM模型中,LSTM模型根据输入的肌肉激活度特征输出电刺激电流中的频率、幅值和脉宽三个参数参数,功能性电刺激仪接收到参数释放电流刺激患侧肌肉使患侧手握拳,使双手握力大小趋于一致,实现功能性电刺激的闭环控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210857951.5A CN115177864A (zh) | 2022-07-20 | 2022-07-20 | 基于肌肉激活度与lstm的功能性电刺激闭环调控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210857951.5A CN115177864A (zh) | 2022-07-20 | 2022-07-20 | 基于肌肉激活度与lstm的功能性电刺激闭环调控方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115177864A true CN115177864A (zh) | 2022-10-14 |
Family
ID=83518938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210857951.5A Pending CN115177864A (zh) | 2022-07-20 | 2022-07-20 | 基于肌肉激活度与lstm的功能性电刺激闭环调控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115177864A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117563135A (zh) * | 2023-12-19 | 2024-02-20 | 燕山大学 | 一种多模态信息可视化功能性电刺激闭环调控系统及方法 |
CN117618777A (zh) * | 2024-01-24 | 2024-03-01 | 北京析芒医疗科技有限公司 | 运动功能恢复系统及其刺激方案确定方法 |
-
2022
- 2022-07-20 CN CN202210857951.5A patent/CN115177864A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117563135A (zh) * | 2023-12-19 | 2024-02-20 | 燕山大学 | 一种多模态信息可视化功能性电刺激闭环调控系统及方法 |
CN117618777A (zh) * | 2024-01-24 | 2024-03-01 | 北京析芒医疗科技有限公司 | 运动功能恢复系统及其刺激方案确定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108785997B (zh) | 一种基于变导纳的下肢康复机器人柔顺控制方法 | |
Liu et al. | EMG-based real-time linear-nonlinear cascade regression decoding of shoulder, elbow, and wrist movements in able-bodied persons and stroke survivors | |
CN115177864A (zh) | 基于肌肉激活度与lstm的功能性电刺激闭环调控方法 | |
Loconsole et al. | An EMG-based approach for on-line predicted torque control in robotic-assisted rehabilitation | |
CN114822761A (zh) | 基于肌肉协同和变刚度阻抗控制的手腕部康复训练系统 | |
Hu et al. | EEG-based classification of upper-limb ADL using SNN for active robotic rehabilitation | |
Lan et al. | Achieving neural compatibility with human sensorimotor control in prosthetic and therapeutic devices | |
Tang et al. | Continuous estimation of human upper limb joint angles by using PSO-LSTM model | |
Keleş et al. | Development of a neural network based control algorithm for powered ankle prosthesis | |
CN106693178A (zh) | 一种基于自主意愿的上肢康复功能性电刺激闭环控制方法 | |
Kibleur et al. | Spatiotemporal maps of proprioceptive inputs to the cervical spinal cord during three-dimensional reaching and grasping | |
CN108543216A (zh) | 一种基于主从控制的手部功能重建装置及其实现方法 | |
CN115206484A (zh) | 一种脑卒中康复训练系统 | |
CN108392737A (zh) | 肌电调制的下肢康复多通道功能性电刺激输出控制方法 | |
Kastalskiy et al. | A neuromuscular interface for robotic devices control | |
Imatz-Ojanguren et al. | Neuro-fuzzy models for hand movements induced by functional electrical stimulation in able-bodied and hemiplegic subjects | |
Zhou et al. | sEMG-driven functional electrical stimulation tuning via muscle force | |
CN102697496B (zh) | 一种功能性电刺激表面肌电信号的滤波方法 | |
CN111408043A (zh) | 功能性电刺激和外骨骼设备的协调控制方法、装置、存储介质及系统 | |
CN116831874A (zh) | 一种基于肌电信号的下肢康复器控制方法 | |
Wang et al. | Research progress of rehabilitation exoskeletal robot and evaluation methodologies based on bioelectrical signals | |
CN113426007B (zh) | 一种用于上肢功能恢复的闭环硬脊膜外电刺激系统 | |
CN107596560A (zh) | 一种基于角速度信号的足下垂助行仪的控制方法 | |
Guo et al. | Control of a lower limb exoskeleton robot by upper limb semg signal | |
Kumarasinghe et al. | espannet: Evolving spike pattern association neural network for spike-based supervised incremental learning and its application for single-trial brain computer interfaces |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |